CN114913415A - 一种基于遥感监测的病虫害检测系统 - Google Patents
一种基于遥感监测的病虫害检测系统 Download PDFInfo
- Publication number
- CN114913415A CN114913415A CN202210446841.XA CN202210446841A CN114913415A CN 114913415 A CN114913415 A CN 114913415A CN 202210446841 A CN202210446841 A CN 202210446841A CN 114913415 A CN114913415 A CN 114913415A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- pest
- identification
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 88
- 201000010099 disease Diseases 0.000 title claims abstract description 52
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims description 2
- 241000238631 Hexapoda Species 0.000 abstract description 13
- 210000002569 neuron Anatomy 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000000862 absorption spectrum Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 241000134843 Aphelenchoides besseyi Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于遥感监测的病虫害检测系统,包括:图像采集模块,用于通过遥感监测设备采集获得初始待检测图像;图像处理模块,与图像采集模块连接,用于对初始待检测图像进行处理,获得目标待检测图像;图像识别模块,与图像处理模块连接,用于对目标待检测图像进行识别,获得病虫害识别结果。本发明能够适用于多种情景下的作物病虫害检测,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。
Description
技术领域
本发明属于病虫害检测领域,特别是涉及一种基于遥感监测的病虫害检测系统。
背景技术
植物病虫害是影响作物最终产量的关键因素之一,对病虫害进行早期预警,是控制病虫害的大范围蔓延、保护作物产量成果的有力方法之一。利用遥感技术特别是高光谱、卫星技术监测病虫害,具有快速、简便、宏观、无损、客观等优点,可以随时提供信息,迅速、准确的对田间作物生长状况进行监测,以便及时采取措施治理或合理安排计划,是作物病虫害监测的发展方向。但不同区域、不同季节、不同作物或同一作物在不同生长季节和不同病虫危害程度下,病虫害特征图像表现不同。现有的病虫害检测系统只能针对某一特定的使用场景进行病虫害检测,因此,噬需一种多功能的病虫害检测设备来提高病虫害检测的普适性。
发明内容
为实现上述目的,本发明提供了如下方案:一种基于遥感监测的病虫害检测系统,包括:
图像采集模块,用于通过遥感监测设备采集获得初始待检测图像;
图像处理模块,与所述图像采集模块连接,用于对所述初始待检测图像进行处理,获得目标待检测图像;
图像识别模块,与所述图像处理模块连接,用于对所述目标待检测图像进行识别,获得病虫害识别结果。
优选地,所述图像采集模块包括第一采集单元、第二采集单元、第三采集单元、第四采集单元;
所述图像处理模块包括与图像采集模块相对应的第一处理单元、第二处理单元、第三处理单元、第四处理单元;
所述图像识别模块包括与图像处理模块相对应的第一识别单元、第二识别单元、第三识别单元、第四识别单元;
所述图像采集模块、图像处理模块、图像识别模块根据不同的目标检测物选取对应的采集单元、处理单元、识别单元进行图像采集、处理和识别。
优选地,所述第一采集单元通过摄影遥感设备对目标检测物进行拍照摄影,获得不同颜色或色调的拍照图像、视频流图像;
所述第一处理单元与第一采集单元连接,用于将视频流图像信息进行实时编解码操作和格式转化,获得处理后的视频图像;然后对所述拍照图像和视频图像进行图像滤波去噪、平滑处理、前景背景分割以及特征提取;
所述第一识别单元与第一处理单元连接,用于通过颜色识别模型进行图像的病虫害识别。
优选地,所述第二采集单元通过红外扫描设备对目标检测物进行传感扫描,获得初始红外热图像;
所述第二处理单元与第四采集单元连接,用于将所述初始红外热图像进行处理,获得目标红外热图像;
所述第二识别单元与第二处理单元连接,用于对所述目标红外热图像进行病虫害识别,获得识别结果。
优选地,所述第二处理单元包括非均匀校正单元、盲元校正单元、图像滤波去噪单元、图像细节增强单元、伪彩变换单元、模数转换单元、低噪声电源单元和接口时序控制单元;
所述非均匀校正单元,通过两点法与二元非线性校正法对所述初始红外热图像进行校正,得到校正后的图像;
所述盲元校正单元,通过采用盲元补偿算法,根据相邻像素或前后帧图像的响应相关性对盲元位置的信息进行预测和替代;
所述图像滤波去噪单元,通过快速中值滤波和带阈值的均值滤波对所述初始红外热图像进行去噪处理,得到去噪后图像;
所述图像细节增强单元,通过采用双阈值映射、双阈值自适应增强算法和边缘增强算法,对原始图像的直方图进行处理,实现对图像的增强功能;
所述模数转换单元,通过采用流水线ADC的设计架构,实现大阵列的模拟输出高速模数转换;
所述低噪声电源单元,通过采用集成Boost控制电路,为探测器提供较高偏置电压,实现红外探测器的高响应率;
所述接口时序控制单元,通过采用计数分频的方法正确产生三路时序信号。
优选地,所述第三采集单元通过光谱采集设备采集获得目标检测物的初始光谱图像;
所述第三处理单元与第三采集单元连接,用于将所述初始光谱图像进行处理,获得目标光谱图像;
所述第三识别单元与第三处理单元连接,用于对所述目标光谱图像进行病虫害识别,获得识别结果。
优选地,所述第三处理单元包括预处理、特征分析单元;
所述预处理单元用于对所述初始光谱图像进行大气辐射校正和几何校正;
所述特征分析单元用于对所述初始光谱图像进行特征空间优化,所述特征优化的方式包括特征选择、特征提取。
优选地,所述第四采集单元通过激光雷达设备采集获得目标检测物的初始激光散射图像;
所述第四处理单元与第四采集单元连接,用于将所述初始激光散射图像进行处理,获得目标激光散射图像;
所述第四识别单元与第四处理单元连接,用于对所述目标激光散射图像进行病虫害识别,获得识别结果。
优选地,所述第一识别单元、第二识别单元、第三识别单元、第四识别单元均包括病虫害识别单元、种类识别单元、位置识别单元;
所述病虫害识别单元用于识别判断待识别图像是否存在病虫害;
所述种类识别单元与所述病虫害识别单元连接,用于识别存在病虫害的图像的病虫害一种类信息;
所述位置识别单元与所述病虫害识别单元连接,用于获取病虫害图像的位置信息。
优选地,所述检测系统还包括存储模块、系统升级模块;
所述存储模块用于存储病虫害图像信息以及与病虫害图像信息对应的识别信息,生成数据库;
所述系统升级模块与存储模块连接,用于根据存储的数据库信息判断当前的检测系统是否为最新版本,若不是,根据数据库信息进行系统自适应升级。
本发明公开了以下技术效果:
本发明提供的一种基于遥感监测的病虫害检测系统,能够适用于多种情景下的作物病虫害检测,不仅限于种植业生产人员,更适合没有经过专业技术培训的普通农民,操作简单、设备轻便,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于遥感监测的病虫害检测系统,包括:
图像采集模块,用于通过遥感监测设备采集获得初始待检测图像;
图像处理模块,与图像采集模块连接,用于对初始待检测图像进行处理,获得目标待检测图像;
图像识别模块,与图像处理模块连接,用于对目标待检测图像进行识别,获得病虫害识别结果。
检测系统还包括存储模块、系统升级模块;
存储模块用于存储病虫害图像信息以及与病虫害图像信息对应的识别信息,生成数据库;
系统升级模块与存储模块连接,用于根据存储的数据库信息判断当前的检测系统是否为最新版本,若不是,根据数据库信息进行系统自适应升级。
图像采集模块包括第一采集单元、第二采集单元、第三采集单元、第四采集单元;
图像处理模块包括与图像采集模块相对应的第一处理单元、第二处理单元、第三处理单元、第四处理单元;
图像识别模块包括与图像处理模块相对应的第一识别单元、第二识别单元、第三识别单元、第四识别单元;
图像采集模块、图像处理模块、图像识别模块根据不同的目标检测物选取对应的采集单元、处理单元、识别单元进行图像采集、处理和识别。
进一步地,通过飞机、卫星上安装摄影遥感装置对目标物进行拍照摄影,可以对土地利用、植被、水体、大气污染状况等进行监测。其原理基于上述目标物或现象对电磁波的反射特性有差异,用感光胶片感光记录就会得到不同颜色或色调的照片。
第一采集单元通过摄影遥感设备对目标检测物进行拍照摄影,获得不同颜色或色调的拍照图像、视频流图像;
第一处理单元与第一采集单元连接,用于将视频流图像信息进行实时编解码操作和格式转化,获得处理后的视频图像;然后对拍照图像和视频图像进行图像滤波去噪、平滑处理、前景背景分割以及特征提取;
第一识别单元与第一处理单元连接,用于通过颜色识别模型进行图像的病虫害识别。
进一步地,由于地球表面的各种受监测对象具有不同的温度,其辐射能量随之不同;温度愈高,辐射功率越强,辐射峰值的波长越短。急于红外扫描技术利用红外扫描仪接受监测对象的热辐射能,转换成电信号或其他形式的能量后,加以测量,获得它们的波长和强度,借以判断不同物质及其污染类型和污染程度。例如水体热污染、石油污染情况,森林火灾和病虫害,环境生态等。
第二采集单元通过红外扫描设备对目标检测物进行传感扫描,获得初始红外热图像;
第二处理单元与第二采集单元连接,用于将初始红外热图像进行处理,获得目标红外热图像;
第二识别单元与第二处理单元连接,用于对目标红外热图像进行病虫害识别,获得识别结果。
第二处理单元包括非均匀校正单元、盲元校正单元、图像滤波去噪单元、图像细节增强单元、伪彩变换单元、模数转换单元、低噪声电源单元和接口时序控制单元;
非均匀校正单元,通过两点法与二元非线性校正法对初始红外热图像进行校正,得到校正后的图像;
盲元校正单元,通过采用盲元补偿算法,根据相邻像素或前后帧图像的响应相关性对盲元位置的信息进行预测和替代;
图像滤波去噪单元,通过快速中值滤波和带阈值的均值滤波对初始红外热图像进行去噪处理,得到去噪后图像;
图像细节增强单元,通过采用双阈值映射、双阈值自适应增强算法和边缘增强算法,对原始图像的直方图进行处理,实现对图像的增强功能;
模数转换单元,通过采用流水线ADC的设计架构,实现大阵列的模拟输出高速模数转换;
低噪声电源单元,通过采用集成Boost控制电路,为探测器提供较高偏置电压,实现红外探测器的高响应率;
接口时序控制单元,通过采用计数分频的方法正确产生三路时序信号。
进一步地,通过相关光谱技术基于物质分子对光吸收的原理实现遥感检测。在吸收光谱技术基础上配合相关技术排除测定中非受检组分的干扰。这种技术采用的吸收光为紫外光和可见光,故可利用自然光做光源。在一些特殊场合,也可采用人工光源。
其测定过程是:自然光源由上而下透过受检大气层后,使之相继进入望远镜和分光器,随后穿过由一排狭缝组成的与待测气体分子吸收光谱相匹配的相关器,则从相关器透射出的光之光谱图正好相应于受检气体分子的特征吸收光谱,加以测量后,便可推知其含量。
第三采集单元通过光谱采集设备采集获得目标检测物的初始光谱图像;
第三处理单元与第三采集单元连接,用于将初始光谱图像进行处理,获得目标光谱图像;
第三识别单元与第三处理单元连接,用于对目标光谱图像进行病虫害识别,获得识别结果。
第三处理单元包括预处理、特征分析单元;
预处理单元用于对初始光谱图像进行大气辐射校正和几何校正;
特征分析单元用于对初始光谱图像进行特征空间优化,特征优化的方式包括特征选择、特征提取。
要准确识别和分类不同作物的病虫害,首先要采取各种信息获取手段对特征进行测度,形成原始的特征空间,再对原始的特征进行加工处理和优化,产生有效的特征空间,使之能更好的反应对象的本质,适合分类方法的处理。有效是指在特征数目减少到某个数量时仍能够达到与原始特征数目相同的分类精度。
特征空间优化的方式通常可以概括为两种,即特征选择与特征提取;
在进行特征选择与特征提取之前还包括,
数据平滑处理。采集的原始数据是待观测目标物以及背景、环境信息的综合反映,难免包含各种噪声在内,这时对原始光谱求一定步长的移动平均,消除光谱数据中的仪器和环境噪声,获取尽可能反映接近作物的真实波谱信息。
光谱数据变换。通过光谱微分处理可以剔除背景、大气散射等的影响,从而更加有效地进行数据分析;
通过一阶微分能够消除光谱信息中部分线性或近线性背景、光谱噪声等对目标物光谱的影响,二阶微分可以去除独立部分的二次方影响,依此类推,四次微分可以消除大气的瑞利散射的影响
分析谱段的确定。由于仪器自身的问题,在紫外光波段和短波红外谱段的数据包含较多的噪音。因此,为了方便分析,保证室内、外光谱数据的一致性,进行分析谱段的确定。
病虫害的高光谱特征选择
特征选择或特征提取的任务是从n个特征中求出对分类最有效的m个特征(m<n)。光谱特征选择针对特定目标对象选择光谱特征空间中的一个子集,这个子集是一个简化了的光谱特征空间,包括该对象的主要光谱特征,并且在一个含有多种目标对象的组合中,该子集能够最大限度地区别于其它地物(对象)。通过光谱特征选择,可以寻找对病虫害胁迫光谱响应敏感的特征区域,强化那些最具可分性的光谱波段,特征选择的方式可概括为两种,即光谱特征位置搜索和光谱距离统计。
病虫害的高光谱特征提取
特征提取是在特征选择以后,利用某些特征提取算法,从原始特征中求出最能反应其类别特征的新特征,既能压缩数据量,又可提高不同类别特征之间的可分性,有利于准确、快速地进行分类。与光谱特征选择一样,光谱特征提取也是光谱特征空间的减维过程,但它是建立在各光谱波段间的重新组合和优化基础上的。
在经过特征提取后的光谱特征空间中,其新的光谱向量应该是反应特定地物(对象)某一性状的一个光谱参量,或者是有别于其它地物(对象)的光谱参量,本实施例利用主成分分析法进行光谱特征提取。
主成分分析(PCA)又称为K一L变换,是在均方误差最小情况下的最佳正交线性变换,是建立在统计特征基础上的线性变换,从而将多个指标简化为少数几个综合指标的一种统计分析方法主成分分析的过程实质上是对原坐标系进行平移和旋转变换,使得新坐标系的原点与样本点集合的重心重合,新坐标系的第一轴与数据变异的最大方向对应,新坐标系的第二轴与第一轴标准正交,并且对应于数据变异的第二大方向...依次类推。
这些新轴分别被称为第一主轴,第二主轴...若经过舍弃少量信息后,由主轴构成的子空间能够十分有效地表示原数据的变异情况,则原来的p维空间就被降至m维。这个新生成的m维子空间被称为m维主超平面。用原样本点集合在主超平面上的投影来近似地表现原样本点集合。
病虫害的识别方法包括聚类分析,概率神经网络,学习矢量量化,支持问量机。
其中,聚类分析用于对事物类别尚不清楚,甚至事物总共有几类都不能确定的情况下进行分类,通过寻找一种能客观反映元素之间亲疏关系的统计量,然后根据这种统计量把元素分成若干类。
聚类统计量包括距离系数或相似系数两类,前者用于对样品分类,而相似系数用于对变量聚类。距离包括极端距离、明考斯基距离、欧氏距离、切比雪夫距离等;相似系数有相关系数、夹角余弦、列联系数等。
概率神经网络(PNN)由三层神经元组成,即输入层、径向基层和竞争层。输入层对应对病虫害胁迫响应敏感谱段的光谱或经各种方法提取的新的光谱变量,第二层采用径向基神经元,该网络的隐层神经元个数与输入样本矢量的个数相同,第三层采用竞争层,也就是该网络的输出层,其神经元个数等于训练样本数据中需要进行分类的病虫害类别数。PNN的分类方式为:首先为网络提供一种输入模式向量,径向基层计算该输入向量同样本输入向量之间的距离“dist",该层的输出为一个距离向量.竞争层接受距离向量为输入向量,计算每个模式出现的概率,通过竞争传递函数为概率最大的元素对应输出I这就是一类模式;否则输出0,作为其它模式。以水稻干尖线虫病为例,将健康叶片赋予类别。1,而将受稻干尖线虫危害的叶片赋予类”,2”,输出结果非1即2。
学习矢量量化(LVQ)神经网络由三层神经元组成,即输入层、隐含层和输出层。该网络在输入层与隐含层间为完全连接,而在隐含层与输出层间为部分连接,隐含神经元(又称Kohonen神经元)和输出神经元都具有二进制输出值。当某个模式被送至网络时,对隐含神经元指定的参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争,因而允许它产生一个,1”,其他隐含神经元都被迫产生,0'。产生“1”的输出神经元给出输入模式的分类,每个输出神经元被表示为不同的类。
进一步地,激光雷达遥测是利用测定激光与监测对象作用后发生散射、发射、吸收等现象来实现的。例如,激光射入低层空气后,将会与空气中的颗粒物作用,因颗粒物粒径大于或等于激光波长、故光波在这些质点上发生米氏散射。激光荧光技术是利用病虫害的某些污染物分子,受到激光照射时被激发而产生共振荧光,测量荧光的波长,可作为定性分析的依据;测量荧光的强度可作为定量分析的依据。
第四采集单元通过激光雷达设备采集获得目标检测物的初始激光散射图像;
第四处理单元与第四采集单元连接,用于将初始激光散射图像进行处理,获得目标激光散射图像;
第四识别单元与第四处理单元连接,用于对目标激光散射图像进行病虫害识别,获得识别结果。
第一识别单元、第二识别单元、第三识别单元、第四识别单元均包括病虫害识别单元、种类识别单元、位置识别单元;
病虫害识别单元用于识别判断待识别图像是否存在病虫害;
种类识别单元与病虫害识别单元连接,用于识别存在病虫害的图像的病虫害一种类信息;
位置识别单元与病虫害识别单元连接,用于获取病虫害图像的位置信息。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各一种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于遥感监测的病虫害检测系统,其特征在于,包括:
图像采集模块,用于通过遥感监测设备采集获得初始待检测图像;
图像处理模块,与所述图像采集模块连接,用于对所述初始待检测图像进行处理,获得目标待检测图像;
图像识别模块,与所述图像处理模块连接,用于对所述目标待检测图像进行识别,获得病虫害识别结果。
2.根据权利要求1所述的基于遥感监测的病虫害检测系统,其特征在于,
所述图像采集模块包括第一采集单元、第二采集单元、第三采集单元、第四采集单元;
所述图像处理模块包括与图像采集模块相对应的第一处理单元、第二处理单元、第三处理单元、第四处理单元;
所述图像识别模块包括与图像处理模块相对应的第一识别单元、第二识别单元、第三识别单元、第四识别单元;
所述图像采集模块、图像处理模块、图像识别模块根据不同的目标检测物选取对应的采集单元、处理单元、识别单元进行图像采集、处理和识别。
3.根据权利要求2所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第一采集单元通过摄影遥感设备对目标检测物进行拍照摄影,获得不同颜色或色调的拍照图像、视频流图像;
所述第一处理单元与第一采集单元连接,用于将视频流图像信息进行实时编解码操作和格式转化,获得处理后的视频图像;然后对所述拍照图像和视频图像进行图像滤波去噪、平滑处理、前景背景分割以及特征提取;
所述第一识别单元与第一处理单元连接,用于通过颜色识别模型进行图像的病虫害识别。
4.根据权利要求2所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第二采集单元通过红外扫描设备对目标检测物进行传感扫描,获得初始红外热图像;
所述第二处理单元与第四采集单元连接,用于将所述初始红外热图像进行处理,获得目标红外热图像;
所述第二识别单元与第二处理单元连接,用于对所述目标红外热图像进行病虫害识别,获得识别结果。
5.根据权利要求4所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第二处理单元包括非均匀校正单元、盲元校正单元、图像滤波去噪单元、图像细节增强单元、伪彩变换单元、模数转换单元、低噪声电源单元和接口时序控制单元;
所述非均匀校正单元,通过两点法与二元非线性校正法对所述初始红外热图像进行校正,得到校正后的图像;
所述盲元校正单元,通过采用盲元补偿算法,根据相邻像素或前后帧图像的响应相关性对盲元位置的信息进行预测和替代;
所述图像滤波去噪单元,通过快速中值滤波和带阈值的均值滤波对所述初始红外热图像进行去噪处理,得到去噪后图像;
所述图像细节增强单元,通过采用双阈值映射、双阈值自适应增强算法和边缘增强算法,对原始图像的直方图进行处理,实现对图像的增强功能;
所述模数转换单元,通过采用流水线ADC的设计架构,实现大阵列的模拟输出高速模数转换;
所述低噪声电源单元,通过采用集成Boost控制电路,为探测器提供较高偏置电压,实现红外探测器的高响应率;
所述接口时序控制单元,通过采用计数分频的方法正确产生三路时序信号。
6.根据权利要求2所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第三采集单元通过光谱采集设备采集获得目标检测物的初始光谱图像;
所述第三处理单元与第三采集单元连接,用于将所述初始光谱图像进行处理,获得目标光谱图像;
所述第三识别单元与第三处理单元连接,用于对所述目标光谱图像进行病虫害识别,获得识别结果。
7.根据权利要求6所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第三处理单元包括预处理、特征分析单元;
所述预处理单元用于对所述初始光谱图像进行大气辐射校正和几何校正;
所述特征分析单元用于对所述初始光谱图像进行特征空间优化,所述特征优化的方式包括特征选择、特征提取。
8.根据权利要求2所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第四采集单元通过激光雷达设备采集获得目标检测物的初始激光散射图像;
所述第四处理单元与第四采集单元连接,用于将所述初始激光散射图像进行处理,获得目标激光散射图像;
所述第四识别单元与第四处理单元连接,用于对所述目标激光散射图像进行病虫害识别,获得识别结果。
9.根据权利要求2所述的基于遥感监测的病虫害检测系统,其特征在于,
所述第一识别单元、第二识别单元、第三识别单元、第四识别单元均包括病虫害识别单元、种类识别单元、位置识别单元;
所述病虫害识别单元用于识别判断待识别图像是否存在病虫害;
所述种类识别单元与所述病虫害识别单元连接,用于识别存在病虫害的图像的病虫害一种类信息;
所述位置识别单元与所述病虫害识别单元连接,用于获取病虫害图像的位置信息。
10.根据权利要求1所述的基于遥感监测的病虫害检测系统,其特征在于,
所述检测系统还包括存储模块、系统升级模块;
所述存储模块用于存储病虫害图像信息以及与病虫害图像信息对应的识别信息,生成数据库;
所述系统升级模块与存储模块连接,用于根据存储的数据库信息判断当前的检测系统是否为最新版本,若不是,根据数据库信息进行系统自适应升级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446841.XA CN114913415A (zh) | 2022-04-26 | 2022-04-26 | 一种基于遥感监测的病虫害检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446841.XA CN114913415A (zh) | 2022-04-26 | 2022-04-26 | 一种基于遥感监测的病虫害检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913415A true CN114913415A (zh) | 2022-08-16 |
Family
ID=82763948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210446841.XA Pending CN114913415A (zh) | 2022-04-26 | 2022-04-26 | 一种基于遥感监测的病虫害检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913415A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310846A (zh) * | 2023-05-19 | 2023-06-23 | 成都大学 | 一种基于图像识别和数据挖掘的病虫害识别方法及系统 |
-
2022
- 2022-04-26 CN CN202210446841.XA patent/CN114913415A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310846A (zh) * | 2023-05-19 | 2023-06-23 | 成都大学 | 一种基于图像识别和数据挖掘的病虫害识别方法及系统 |
CN116310846B (zh) * | 2023-05-19 | 2023-08-29 | 成都大学 | 一种基于图像识别和数据挖掘的病虫害识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
AU2020218573A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
US8487979B2 (en) | Signal spectra detection system | |
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN109872295B (zh) | 基于光谱视频数据的典型目标材质属性提取方法和装置 | |
Lavanya et al. | Terrain mapping of LandSat8 images using MNF and classifying soil properties using ensemble modelling | |
Kumar et al. | Deep remote sensing methods for methane detection in overhead hyperspectral imagery | |
CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
KR102448123B1 (ko) | 농산물 신선도 예측 방법 및 장치 | |
CN112396019A (zh) | 一种基于无人机的植被分布识别方法、系统及可读存储介质 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN115294404A (zh) | 一种基于随机森林算法的底栖动物高光谱数据分类方法 | |
CN114913415A (zh) | 一种基于遥感监测的病虫害检测系统 | |
Suzuki et al. | Image segmentation between crop and weed using hyperspectral imaging for weed detection in soybean field | |
Noble et al. | The use of spectral properties for weed detection and identification-a review | |
JP4711131B2 (ja) | 画素群パラメータ算出方法及び画素群パラメータ算出装置 | |
CN112384930A (zh) | 信息处理装置、信息处理方法和程序 | |
Beisley | Spectral detection of human skin in VIS-SWIR hyperspectral imagery without radiometric calibration | |
Ma et al. | Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index | |
CN117274236B (zh) | 基于高光谱图像的尿液成分异常检测方法及系统 | |
Sinha et al. | Sensors III: spectral sensing and data analysis | |
CN114359136B (zh) | 一种基于地面成像数据的隐身效果评估方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |